CN112380343A - 问题解析方法、装置、电子设备及存储介质 - Google Patents

问题解析方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112380343A
CN112380343A CN202011305368.0A CN202011305368A CN112380343A CN 112380343 A CN112380343 A CN 112380343A CN 202011305368 A CN202011305368 A CN 202011305368A CN 112380343 A CN112380343 A CN 112380343A
Authority
CN
China
Prior art keywords
question
sentence
original
model
entity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011305368.0A
Other languages
English (en)
Inventor
张师琲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011305368.0A priority Critical patent/CN112380343A/zh
Publication of CN112380343A publication Critical patent/CN112380343A/zh
Priority to PCT/CN2021/083188 priority patent/WO2021208703A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种问题解析方法，包括：利用原始问题集及预先设定的语句分类模板训练得到问题分发模型及语义抽取模型，利用所述问题分发模型对待解析问题进行分类，得到分类结果，利用所述语义抽取模型对所述待解析问题进行语义解析，得到语义解析结果，根据所述分类结果以及所述语义解析结果查找相匹配的查询语句模板，根据所述查询语句模板得到问题查询语句，并利用所述问题查询语句查询数据库内容，得到问答解析结果并提交给查询终端。此外，本发明还涉及区块链技术，所述问答解析结果可存储于区块链的节点。本发明还提出一种问题解析装置、电子设备以及计算机可读存储介质。本发明可以解决问题解析效率低下的问题。

Description

问题解析方法、装置、电子设备及存储介质
技术领域
本发明涉及人工智能技术，尤其涉及一种问题解析方法、装置、电子设备及计算机可读存储介质。
背景技术
问题解析模型是尝试对用户问题进行意图分析和答案匹配的模型。当前的问题解析模型主要有两种实施方式：一种是通过TF-IDF算法提炼关键词，组成文本向量，再对其进行分类的方式；另一种采用机器学习的方式训练多个分类模型。虽然这两种方式都可达到对用户问题进行意图分析和答案匹配的目的，但有以下缺陷：1、通过TF-IDF算法的方式，对某些客户问题较为简短的场景，存在分类准确率和精度都不是特别高的问题；2、通过训练多个分类模型的方式，模型分类较多且需要花大量时间调整模型参数和结构，因此存在问题解析效率低下的问题。
发明内容
本发明提供一种问题解析方法、装置及计算机可读存储介质，其主要目的在于解决问题解析效率低下的问题。
为实现上述目的，本发明提供的一种问题解析方法，包括：
获取原始问题集，利用所述原始问题集以及预先设定的语句分类模板训练预构建的第一语言模型，得到问题分发模型；及利用所述原始问题集训练预构建的第二语言模型，得到语义抽取模型；
利用所述问题分发模型对待解析问题进行分类，得到分类结果；及利用所述语义抽取模型对所述待解析问题进行语义解析，得到语义解析结果；
根据所述分类结果以及所述语义解析结果查找相匹配的查询语句模板，根据所述查询语句模板得到问题查询语句；
利用所述问题查询语句查询数据库内容，得到问答解析结果并反馈给查询终端。
可选地，所述利用所述原始问题集训练预构建的第二语言模型，得到语义抽取模型，包括：
利用所述第二语言模型提取所述原始问题集中的实体信息，并根据所述实体信息预测与所述实体信息对应的实体和实体关系；
计算所述实体信息预测的准确率；
当所述预测的准确率高于预设的阈值时，生成所述训练完成的语义抽取模型。
可选地，所述计算所述实体信息预测的准确率，包括：
采用下述公式计算所述准确率L：
Figure BDA0002786085950000021
er,s为真正有关系的实体，er,c为预测的有关系的实体,R为所有实体个数，r为第r个实体。
可选地，所述提取所述原始问题集中的实体信息，并根据所述实体信息预测与所述实体信息对应的实体和实体关系，包括：
将所述原始问题集转化为原始序列，并利用所述第二语言模型的编码器对所述原始序列进行编码，得到编码序列；
利用预设的二分类器预测所述编码序列中的实体信息；
从所述编码序列中抽取出所述实体信息首尾对应的编码向量；
以所述编码向量作为条件对所述编码序列做层标准化，对所述层标准化后的序列预测与所述实体信息对应的实体和实体关系。
可选地，所述利用所述问题分发模型对待解析问题进行分类，得到分类结果，包括：
利用所述问题分发模型中的第一训练层识别所述待解析问题中的问题文本的缺失信息，得到预测问题；
利用所述问题分发模型中的第二训练层识别所述预测问题中的问题文本中句子之间的依赖关系，得到初始问题；
利用所述问题分发模型中的分类函数，对所述初始问题中的问题文本按照所述语句分类模板进行分类，得到所述分类结果。
可选地，所述利用所述问题分发模型中的第一训练层识别所述待解析问题中的问题文本的缺失信息，得到预测问题，包括：
遍历所述待解析问题中的问题文本，随机替换所述问题文本内的一个或多个词，得到原始替换问题；
遍历所述原始替换问题中的文本，预测所述文本中被替换的词，得到所述预测问题。
可选地，所述利用所述问题分发模型中的第二训练层识别所述预测问题中的问题文本中句子之间的依赖关系，得到初始问题，包括：
将所述预测问题中的语句排列顺序打乱，得到乱序预测问题；
从所述预测问题中选取第一数量的未打乱排序的语句对，及从所述乱序预测问题中选取第二数量的打乱排序的语句对，汇总所有语序对，得到语句对集；
遍历所述语句对集中的语句对，判断所述语句对中第二句话在文本中是否紧跟在第一句话之后，以得到排序正确的语句，其中，当语句对中第二句话在文本中紧跟在第一句话之后，则这两句话为排序正确的语句；
汇总所有排序正确的语句，得到所述初始问题。
为了解决上述问题，本发明还提供一种问题解析装置，所述装置包括：
模型训练模块，用于获取原始问题集，利用所述原始问题集以及预先设定的语句分类模板训练预构建的第一语言模型，得到问题分发模型；及利用所述原始问题集训练预构建的第二语言模型，得到语义抽取模型；
问题解析模块，用于利用所述问题分发模型对待解析问题进行分类，得到分类结果；及利用所述语义抽取模型对所述待解析问题进行语义解析，得到语义解析结果；
问题查询模块，用于根据所述分类结果以及所述语义解析结果查找相匹配的查询语句模板，根据所述查询语句模板得到问题查询语句；
结果反馈模块，用于利用所述问题查询语句查询数据库内容，得到问答解析结果并反馈给查询终端。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的问题解析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的问题解析方法。
本发明实施例利用结合了卦象理论的语句分类模板训练得到的问题分发模型可以对用户的问题进行更准确的分类，同时利用训练后的语义抽取模型可以提高对问题的解析能力，此外，本发明实施例所述问题分发模型及所述语义抽取模型，不需要花大量时间调整模型参数和结构，因此提高了模型分发的效率。因此本发明所述问题解析方法、装置及计算机可读存储介质，可以解决问题分发效率低下的问题。
附图说明
图1为本发明一实施例提供的问题解析方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为本发明一实施例提供的问题解析装置的功能模块图；
图4为本发明一实施例提供的实现所述问题解析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种问题解析方法，所述问题解析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述问题解析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的问题解析方法的流程示意图。在本实施例中，所述问题解析方法包括：
S1、获取原始问题集，利用所述原始问题集以及预先设定的语句分类模板训练预构建的第一语言模型，得到问题分发模型，及利用所述原始问题集训练预构建的第二语言模型，得到语义抽取模型。
本发明实施例中，所述原始问题集来自于从不同领域采集的客户问题。所述客户问题可以从公开的客户问题网站的后台数据库中检索获取，也可以从区块链中的存储节点中获取。本发明实施例中，所述原始问题集中的问题包括三元组信息，所述三元组是指实体与实体关系构成的三元关系。本发明实施例中，所述三元组可以为SPO三元组，即“主(Subject)-谓(Predicate)-宾(Object)”，利用所述SPO三元组可以简单地描述实体与实体间的关系。比如，问题文本为“猫属于猫科动物”，主语“猫”，宾语“猫科动物”作为实体信息，宾语“属于”作为实体关系，则得到SPO三元组为“猫-属于-猫科动物”。
优选地，本发明实施例中，所述预先设定的语句分类模板可以是根据卦象理论设置的八种模板。所述卦象理论是古代数理化与哲学的一种结合，它可以解释世间万物。《周易》中包括由代表阳爻的符号“-”和代表阴爻的符号“--”组成的八种基本符号，分别是乾
Figure BDA0002786085950000051
坤
Figure BDA0002786085950000052
震
Figure BDA0002786085950000053
巽
Figure BDA0002786085950000054
坎
Figure BDA0002786085950000055
离
Figure BDA0002786085950000056
艮
Figure BDA0002786085950000057
兑
Figure BDA0002786085950000058
其中，阳爻的符号“-”为未知的意思，阴爻的符号“--”为已知的意思。本发明实施例中，对于任何问题所呈现的三元组，都可以用所述八种符号来解释。以震
Figure BDA0002786085950000059
为例，三条线分别代表spo三元组的状态，即已知S、已知P、未知O,因此，对于所有已知S、已知P、未知O的问题，如“A公司的CEO是谁”都可划为此模板下。又如，与震
Figure BDA00027860859500000510
对应的巽
Figure BDA00027860859500000511
模板表示“主”(S)与“谓”(P)未知，“宾”(O)已知。
较佳地，所述预构建的第一语言模型包括基于强化训练的BERT(BidirectionalEncoder Representations from Transformers，来自变换器的双向编码器表征量)模型和第一分类函数，所述BERT模型包括编码转换层(Transformer Encoder)，所述编码转换层包括第一训练层和第二训练层。所述第一分类函数可以使用当前已公开的Softmax函数，所述Softmax函数用来将问题划分到所述八种模板下。
具体地，所述第一训练层可选用当前已公开的标记替代训练层(Masked LM)。所述Masked LM的训练描述为：给定所述原始问题集中的一句话，随机抹去并替换这句话中的一个或几个词，要求根据剩余词汇预测被替换的几个词分别是什么。对于在原句中被抹去的词汇，80％情况下采用一个特殊符号[MASK]替换，10％情况下采用一个任意词替换，剩余10％情况下保持原词汇不变，得到原始替换文本集；遍历所述原始替换文本集中的文本，预测所述文本中被替换的词，得到预测问题集。Masked LM的主要好处是：预测一个词汇时，模型并不知道输入对应位置的词汇是否为正确的词汇(10％概率为正确)，这就迫使模型更多地依赖于上下文信息去预测词汇，并且赋予了模型一定的纠错能力。本发明实施例可以利用所述Masked LM抹去原始问题集中的SPO三元组中的实体或关系，根据上述预测，可以准确的判断问题中三元组的缺失情况。
具体地，所述第二训练层可选用当前已公开的下一句预测训练层(Next SentencePrediction)。所述下一句预测训练层可以通过训练通过前一句话预测下一句话，以捕获句子之间的依赖关系。所述下一句预测训练层的训练描述为：在所述原始问题集中通过添加特殊的字符[CLS]表示句子的开始，利用[SEP]用来表示两个不同句子之间的边界。通过[CLS]的输出结果可以判断这两个句子是否应该接在一起，汇总所述[CLS]的输出结果得到初始问题集。所述下一句预测训练层从所述预测问题集中随机选择50％未打乱排序的语句对，选取50％打乱排序的语句对，汇总所有语序对，得到语句对集，对所述语句对集中的语句对进行判断。
所述Softmax函数通过训练可以基于所述[CLS]的输出结果来判断句子的种类，将所有句子分类至预先标注的八个模板内。
进一步地，所述预构建的第二语言模型包括基于强化训练的BERT(BidirectionalEncoder Representations from Transformers，来自变换器的双向编码器表征量)模型和二分类器。
优选地，所述利用所述原始问题集训练预构建的第二语言模型，得到语义抽取模型，包括：
利用所述第二语言模型提取所述原始问题集中的实体信息，并根据所述实体信息预测与所述实体信息对应的实体和实体关系；
计算所述实体信息预测的准确率；
当所述预测的准确率高于预设的阈值时，生成所述训练完成的语义抽取模型。
其中，本发明实施例利用下述公式计算准确率L：
Figure BDA0002786085950000071
er,s为真正有关系的实体，er,c为预测的有关系的实体,R为所有实体个数，r为第r个实体。
进一步地，所述提取所述原始问题集中的实体信息，并根据所述实体信息预测与所述实体信息对应的实体和实体关系，包括：
将所述原始问题集转化为原始序列，并利用所述第二语言模型的编码器对所述原始序列进行编码，得到编码序列；
利用所述二分类器预测所述编码序列中的实体信息；
从所述编码序列中抽取出所述实体信息首尾对应的编码向量；
以所述编码向量作为条件对所述编码序列做层标准化，对所述层标准化后的序列预测与所述实体信息对应的实体和实体关系。
其中，通过将所述原始问题集转化为原始编码，将所述原始问题集向量化，并利用所述二分类器进行预测，所述二分类器可以使用当前已公开的SVM二分类器，利用所述SVM二分类器可以准确地预测所述编码序列中的实体信息。所述层标准化(LayerNormalization)是一个独立的算法，对所述编码序列做归一化处理，从而加速模型的预测和训练。
S2、利用所述问题分发模型对待解析问题进行分类，得到分类结果，及利用所述语义抽取模型对所述待解析问题进行语义解析，得到语义解析结果。
详细地，参考图2所示，所述利用所述问题分发模型对待解析问题进行分类，得到分类结果，包括：
S20、利用所述问题分发模型中的第一训练层识别所述待解析问题中的问题文本的缺失信息，得到预测问题；
S21、利用所述问题分发模型中的第二训练层识别所述预测问题中的问题文本中句子之间的依赖关系，得到初始问题；
S22、利用所述问题分发模型中的分类函数，对所述初始问题中的问题文本按照所述语句分类模板进行分类，得到所述分类结果。
其中，所述第一训练层可以为所述标记替代训练层(Masked LM)，所述第二训练层可以为所述下一句预测训练层(Next Sentence Prediction)，所述分类函数可以为Softmax函数。
优选地，所述利用所述问题分发模型中的第一训练层识别所述待解析问题中的问题文本的缺失信息，得到预测问题，包括：
遍历所述待解析问题中的问题文本，随机替换所述问题文本内的一个或多个词，得到原始替换问题；
遍历所述原始替换问题中的文本，预测所述文本中被替换的词，得到所述预测问题。
其中，对于所述第一训练层：给定所述原始问题集中的一句话，随机抹去并替换这句话中的一个或多个词，根据剩余词汇预测被替换的多个词分别是什么。对于在原句中被抹去的词汇，80％情况下采用一个特殊符号[MASK]替换，10％情况下采用一个任意词替换，剩余10％情况下保持原词汇不变，得到原始替换问题，遍历所述原始替换问题中的文本，预测所述文本中被替换的词，得到所述预测问题。
较佳地，所述利用所述问题分发模型中的第二训练层识别所述预测问题中的问题文本中句子之间的依赖关系，得到初始问题，包括：
将所述预测问题中的语句排列顺序打乱，得到乱序预测问题；
从所述预测问题中选取第一数量的未打乱排序的语句对，及从所述乱序预测问题中选取第二数量的打乱排序的语句对，汇总所有语序对，得到语句对集；
遍历所述语句对集中的语句对，判断所述语句对中第二句话在文本中是否紧跟在第一句话之后，以得到排序正确的语句，其中，当语句对中第二句话在文本中紧跟在第一句话之后，则这两句话为排序正确的语句；
汇总所有排序正确的语句，得到所述初始问题。
其中，对于所述第二训练层：在所述预测问题中通过添加特殊的字符[CLS]表示句子的开始，利用[SEP]用来表示两个不同句子之间的边界。通过[CLS]的输出结果可以判断这两个句子是否应该接在一起，汇总所述[CLS]的输出结果得到初始问题集。比如，从预测问题集中随机选择50％(第一数量)未打乱排序的语句对，选取50％(第二数量)打乱排序的语句对，汇总所有语序对，得到语句对集，对所述语句对集中的语句对进行判断。
进一步地，本发明实施例利用所述语义抽取模型对所述待解析问题进行语义解析，得到所述待解析问题中的实体和实体关系，汇总所述实体和实体关系得到语义解析结果。
S3、根据所述分类结果以及所述语义解析结果查找相匹配的查询语句模板，根据所述查询语句模板得到问题查询语句。
本发明实施例根据预先设置的分类结果以及语义解析结果与查询语句模板之间的映射关系，查找相匹配的查询语句模板。
优选地，本发明实施例中所述查询语句可以使用SQL语句。所述查询语句模板对应于上述八种模板，每种模板对应于一种查询语句模板。
比如，用户提交的待解析问题为“A公司的CEO是谁？”，所述问题分发模型先将所述问题分类至“震
Figure BDA0002786085950000091
”模板对应的类型，再对所述待解析问题进行三元组语义抽取，预测所述待解析问题中的实体及实体之间的实体关系，得到语义解析结果，所述语义解析结果包括实体(S)“A公司”已知，关系(P)“CEO”已知,实体(O)未知，将“震
Figure BDA0002786085950000092
”模板中预设的查询语句与所述语义解析结果利用预设的SQL语句进行映射，得到问题查询语句。
S4、利用所述问题查询语句查询数据库内容，得到问答解析结果并反馈给查询终端。
所述数据库可以为当前已公开的各种数据库，如MySQL，oracle，图数据库neo4j，HBAS等。同时，所述查询语句可以根据数据库的不同选用不同的查询语句。利用所述查询终端可以为计算机等设备。
本发明实施例中基于两个BERT模型，第一个模型仅用于分类，第二个模型用于语义抽取。对于待解析问题，如果只采用第二个模型，根据当前的关系只能预测出一种三元组，不符合实际场景的应用，所以先需要第一个模型将待解析问题中有多少种关系预测出来，进行分类，然后再对待解析问题进行语义分析，结合不同分类模板对应的查询语句，可以更加精确地对待解析问题进行问答解析。
如图3所示，是本发明一实施例提供的问题解析装置的功能模块图。
本发明所述问题解析装置100可以安装于电子设备中。根据实现的功能，所述问题解析装置100可以包括模型训练模块101、问题解析模块102、问题查询模块103及结果反馈模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述信息处理模块101，用于获取原始问题集，利用所述原始问题集以及预先设定的语句分类模板训练预构建的第一语言模型，得到问题分发模型，及利用所述原始问题集训练预构建的第二语言模型，得到语义抽取模型。
本发明实施例中，所述原始问题集来自于从不同领域采集的客户问题。所述客户问题可以从公开的客户问题网站的后台数据库中检索获取，也可以从区块链中的存储节点中获取。本发明实施例中，所述原始问题集中的问题包括三元组信息，所述三元组是指实体与实体关系构成的三元关系。本发明实施例中，所述三元组可以为SPO三元组，即“主(Subject)-谓(Predicate)-宾(Object)”，利用所述SPO三元组可以简单地描述实体与实体间的关系。比如，问题文本为“猫属于猫科动物”，主语“猫”，宾语“猫科动物”作为实体信息，宾语“属于”作为实体关系，则得到SPO三元组为“猫-属于-猫科动物”。
优选地，本发明实施例中，所述预先设定的语句分类模板可以是根据卦象理论设置的八种模板。所述卦象理论是古代数理化与哲学的一种结合，它可以解释世间万物。《周易》中包括由代表阳爻的符号“-”和代表阴爻的符号“--”组成的八种基本符号，分别是乾
Figure BDA0002786085950000101
坤
Figure BDA0002786085950000102
震
Figure BDA0002786085950000103
巽
Figure BDA0002786085950000104
坎
Figure BDA0002786085950000105
离
Figure BDA0002786085950000106
艮
Figure BDA0002786085950000107
兑
Figure BDA0002786085950000108
其中，阳爻的符号“-”为未知的意思，阴爻的符号“--”为已知的意思。本发明实施例中，对于任何问题所呈现的三元组，都可以用所述八种符号来解释。以震
Figure BDA0002786085950000109
为例，三条线分别代表spo三元组的状态，即已知S、已知P、未知O,因此，对于所有已知S、已知P、未知O的问题，如“A公司的CEO是谁”都可划为此模板下。又如，与震
Figure BDA00027860859500001011
对应的巽
Figure BDA00027860859500001012
模板表示“主”(S)与“谓”(P)未知，“宾”(O)已知。
较佳地，所述预构建的第一语言模型包括基于强化训练的BERT(BidirectionalEncoder Representations from Transformers，来自变换器的双向编码器表征量)模型和第一分类函数，所述BERT模型包括编码转换层(Transformer Encoder)，所述编码转换层包括第一训练层和第二训练层。所述第一分类函数可以使用当前已公开的Softmax函数，所述Softmax函数用来将问题划分到所述八种模板下。
具体地，所述第一训练层可选用当前已公开的标记替代训练层(Masked LM)。所述Masked LM的训练描述为：给定所述原始问题集中的一句话，随机抹去并替换这句话中的一个或几个词，要求根据剩余词汇预测被替换的几个词分别是什么。对于在原句中被抹去的词汇，80％情况下采用一个特殊符号[MASK]替换，10％情况下采用一个任意词替换，剩余10％情况下保持原词汇不变，得到原始替换文本集；遍历所述原始替换文本集中的文本，预测所述文本中被替换的词，得到预测问题集。Masked LM的主要好处是：预测一个词汇时，模型并不知道输入对应位置的词汇是否为正确的词汇(10％概率为正确)，这就迫使模型更多地依赖于上下文信息去预测词汇，并且赋予了模型一定的纠错能力。本发明实施例可以利用所述Masked LM抹去原始问题集中的SPO三元组中的实体或关系，根据上述预测，可以准确的判断问题中三元组的缺失情况。
具体地，所述第二训练层可选用当前已公开的下一句预测训练层(Next SentencePrediction)。所述下一句预测训练层可以通过训练通过前一句话预测下一句话，以捕获句子之间的依赖关系。所述下一句预测训练层的训练描述为：在所述原始问题集中通过添加特殊的字符[CLS]表示句子的开始，利用[SEP]用来表示两个不同句子之间的边界。通过[CLS]的输出结果可以判断这两个句子是否应该接在一起，汇总所述[CLS]的输出结果得到初始问题集。所述下一句预测训练层从所述预测问题集中随机选择50％未打乱排序的语句对，选取50％打乱排序的语句对，汇总所有语序对，得到语句对集，对所述语句对集中的语句对进行判断。
所述Softmax函数通过训练可以基于所述[CLS]的输出结果来判断句子的种类，将所有句子分类至预先标注的八个模板内。
进一步地，所述预构建的第二语言模型包括基于强化训练的BERT(BidirectionalEncoder Representations from Transformers，来自变换器的双向编码器表征量)模型和二分类器。
较佳地，所述模型训练模块101通过下述操作得到语义抽取模型：
利用所述第二语言模型提取所述原始问题集中的实体信息，并根据所述实体信息预测与所述实体信息对应的实体和实体关系；
计算所述实体信息预测的准确率；
当所述预测的准确率高于预设的阈值时，生成所述训练完成的语义抽取模型。
其中，本发明实施例利用下述公式计算准确率L：
Figure BDA0002786085950000121
er,s为真正有关系的实体，er,c为预测的有关系的实体,R为所有实体个数，r为第r个实体。
进一步地，所述模型训练模块101通过下述操作预测与所述实体信息对应的实体和实体关系：
将所述原始问题集转化为原始序列，并利用所述第二语言模型的编码器对所述原始序列进行编码，得到编码序列；
利用所述二分类器预测所述编码序列中的实体信息；
从所述编码序列中抽取出所述实体信息首尾对应的编码向量；
以所述编码向量作为条件对所述编码序列做层标准化，对所述层标准化后的序列预测与所述实体信息对应的实体和实体关系。
其中，通过将所述原始问题集转化为原始编码，将所述原始问题集向量化，并利用所述二分类器进行预测，所述二分类器可以使用当前已公开的SVM二分类器，利用所述SVM二分类器可以准确地预测所述编码序列中的实体信息。所述层标准化(LayerNormalization)是一个独立的算法，对所述编码序列做归一化处理，从而加速模型的预测和训练。
所述问题解析模块102，用于利用所述问题分发模型对待解析问题进行分类，得到分类结果，及利用所述语义抽取模型对所述待解析问题进行语义解析，得到语义解析结果。
详细地，所述问题解析模块102通过下述操作得到所述分类结果：
利用所述问题分发模型中的第一训练层识别所述待解析问题中的问题文本的缺失信息，得到预测问题；
利用所述问题分发模型中的第二训练层识别所述预测问题中的问题文本中句子之间的依赖关系，得到初始问题；
利用所述问题分发模型中的分类函数，对所述初始问题中的问题文本按照所述语句分类模板进行分类，得到所述分类结果。
其中，所述第一训练层可以为所述标记替代训练层(Masked LM)，所述第二训练层可以为所述下一句预测训练层(Next Sentence Prediction)，所述分类函数可以为Softmax函数。
优选地，所述问题解析模块102通过下述操作得到所述预测问题：
遍历所述待解析问题中的问题文本，随机替换所述问题文本内的一个或多个词，得到原始替换问题；
遍历所述原始替换问题中的文本，预测所述文本中被替换的词，得到所述预测问题。
其中，对于所述第一训练层：给定所述原始问题集中的一句话，随机抹去并替换这句话中的一个或多个词，根据剩余词汇预测被替换的多个词分别是什么。对于在原句中被抹去的词汇，80％情况下采用一个特殊符号[MASK]替换，10％情况下采用一个任意词替换，剩余10％情况下保持原词汇不变，得到原始替换问题，遍历所述原始替换问题中的文本，预测所述文本中被替换的词，得到所述预测问题。
较佳地，所述问题解析模块102通过下述操作得到所述初始问题：
将所述预测问题中的语句排列顺序打乱，得到乱序预测问题；
从所述预测问题中选取第一数量的未打乱排序的语句对，及从所述乱序预测问题中选取第二数量的打乱排序的语句对，汇总所有语序对，得到语句对集；
遍历所述语句对集中的语句对，判断所述语句对中第二句话在文本中是否紧跟在第一句话之后，以得到排序正确的语句，其中，当语句对中第二句话在文本中紧跟在第一句话之后，则这两句话为排序正确的语句；
汇总所有排序正确的语句，得到所述初始问题。
其中，对于所述第二训练层：在所述预测问题中通过添加特殊的字符[CLS]表示句子的开始，利用[SEP]用来表示两个不同句子之间的边界。通过[CLS]的输出结果可以判断这两个句子是否应该接在一起，汇总所述[CLS]的输出结果得到初始问题集。比如，从预测问题集中随机选择50％(第一数量)未打乱排序的语句对，选取50％(第二数量)打乱排序的语句对，汇总所有语序对，得到语句对集，对所述语句对集中的语句对进行判断。
进一步地，本发明实施例利用所述语义抽取模型对所述待解析问题进行语义解析，得到所述待解析问题中的实体和实体关系，汇总所述实体和实体关系得到语义解析结果。
所述问题查询模块103，用于根据所述分类结果以及所述语义解析结果查找相匹配的查询语句模板，根据所述查询语句模板得到问题查询语句。
本发明实施例根据预先设置的分类结果以及语义解析结果与查询语句模板之间的映射关系，查找相匹配的查询语句模板。
优选地，本发明实施例中所述查询语句可以使用SQL语句。所述查询语句模板对应于上述八种模板，每种模板对应于一种查询语句模板。
比如，用户提交的待解析问题为“A公司的CEO是谁？”，所述问题分发模型先将所述问题分类至“震
Figure BDA0002786085950000141
”模板对应的类型，再对所述待解析问题进行三元组语义抽取，预测所述待解析问题中的实体及实体之间的实体关系，得到语义解析结果，所述语义解析结果包括实体(S)“A公司”已知，关系(P)“CEO”已知,实体(O)未知，将“震
Figure BDA0002786085950000142
”模板中预设的查询语句与所述语义解析结果利用预设的SQL语句进行映射，得到问题查询语句。
所述结果反馈模块104，用于利用所述问题查询语句查询数据库内容，得到问答解析结果并反馈给查询终端。
所述数据库可以为当前已公开的各种数据库，如MySQL，oracle，图数据库neo4j，HBAS等。同时，所述查询语句可以根据数据库的不同选用不同的查询语句。利用所述查询终端可以为计算机等设备。
本发明实施例中基于两个BERT模型，第一个模型仅用于分类，第二个模型用于语义抽取。对于待解析问题，如果只采用第二个模型，根据当前的关系只能预测出一种三元组，不符合实际场景的应用，所以先需要第一个模型将待解析问题中有多少种关系预测出来，进行分类，然后再对待解析问题进行语义分析，结合不同分类模板对应的查询语句，可以更加精确地对待解析问题进行问答解析。
如图4所示，是本发明一实施例提供的实现问题解析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如问题解析程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如问题解析程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如问题解析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的问题解析程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始问题集，利用所述原始问题集以及预先设定的语句分类模板训练预构建的第一语言模型，得到问题分发模型；及利用所述原始问题集训练预构建的第二语言模型，得到语义抽取模型；
利用所述问题分发模型对待解析问题进行分类，得到分类结果；及利用所述语义抽取模型对所述待解析问题进行语义解析，得到语义解析结果；
根据所述分类结果以及所述语义解析结果查找相匹配的查询语句模板，根据所述查询语句模板得到问题查询语句；
利用所述问题查询语句查询数据库内容，得到问答解析结果并反馈给查询终端。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种问题解析方法，其特征在于，所述方法包括：
获取原始问题集，利用所述原始问题集以及预先设定的语句分类模板训练预构建的第一语言模型，得到问题分发模型，及利用所述原始问题集训练预构建的第二语言模型，得到语义抽取模型；
利用所述问题分发模型对待解析问题进行分类，得到分类结果，及利用所述语义抽取模型对所述待解析问题进行语义解析，得到语义解析结果；
根据所述分类结果以及所述语义解析结果查找相匹配的查询语句模板，根据所述查询语句模板得到问题查询语句；
利用所述问题查询语句查询数据库内容，得到问答解析结果并反馈给查询终端。
2.如权利要求1所述的问题解析方法，其特征在于，所述利用所述原始问题集训练预构建的第二语言模型，得到语义抽取模型，包括：
利用所述第二语言模型提取所述原始问题集中的实体信息，并根据所述实体信息预测与所述实体信息对应的实体和实体关系；
计算所述实体信息预测的准确率；
当所述预测的准确率高于预设的阈值时，生成所述训练完成的语义抽取模型。
3.如权利要求2所述的问题解析方法，其特征在于，所述计算所述实体信息预测的准确率，包括：
采用下述公式计算所述准确率L：
Figure FDA0002786085940000011
er,s为真正有关系的实体，er,c为预测的有关系的实体,R为所有实体个数，r为第r个实体。
4.如权利要求2所述的问题解析方法，其特征在于，所述提取所述原始问题集中的实体信息，并根据所述实体信息预测与所述实体信息对应的实体和实体关系，包括：
将所述原始问题集转化为原始序列，并利用所述第二语言模型的编码器对所述原始序列进行编码，得到编码序列；
利用预设的二分类器预测所述编码序列中的实体信息；
从所述编码序列中抽取出所述实体信息首尾对应的编码向量；
以所述编码向量作为条件对所述编码序列做层标准化，对所述层标准化后的序列预测与所述实体信息对应的实体和实体关系。
5.如权利要求1所述的问题解析方法，其特征在于，所述利用所述问题分发模型对待解析问题进行分类，得到分类结果，包括：
利用所述问题分发模型中的第一训练层识别所述待解析问题中的问题文本的缺失信息，得到预测问题；
利用所述问题分发模型中的第二训练层识别所述预测问题中的问题文本中句子之间的依赖关系，得到初始问题；
利用所述问题分发模型中的分类函数，对所述初始问题中的问题文本按照所述语句分类模板进行分类，得到所述分类结果。
6.如权利要求5所述的问题解析方法，其特征在于，所述利用所述问题分发模型中的第一训练层识别所述待解析问题中的问题文本的缺失信息，得到预测问题，包括：
遍历所述待解析问题中的问题文本，随机替换所述问题文本内的一个或多个词，得到原始替换问题；
遍历所述原始替换问题中的文本，预测所述文本中被替换的词，得到所述预测问题。
7.如权利要求5所述的问题解析方法，其特征在于，所述利用所述问题分发模型中的第二训练层识别所述预测问题中的问题文本中句子之间的依赖关系，得到初始问题，包括：
将所述预测问题中的语句排列顺序打乱，得到乱序预测问题；
从所述预测问题中选取第一数量的未打乱排序的语句对，及从所述乱序预测问题中选取第二数量的打乱排序的语句对，汇总所有语序对，得到语句对集；
遍历所述语句对集中的语句对，判断所述语句对中第二句话在文本中是否紧跟在第一句话之后，以得到排序正确的语句，其中，当语句对中第二句话在文本中紧跟在第一句话之后，则这两句话为排序正确的语句；
汇总所有排序正确的语句，得到所述初始问题。
8.一种问题解析装置，其特征在于，所述装置包括：
模型训练模块，用于获取原始问题集，利用所述原始问题集以及预先设定的语句分类模板训练预构建的第一语言模型，得到问题分发模型；及利用所述原始问题集训练预构建的第二语言模型，得到语义抽取模型；
问题解析模块，用于利用所述问题分发模型对待解析问题进行分类，得到分类结果；及利用所述语义抽取模型对所述待解析问题进行语义解析，得到语义解析结果；
问题查询模块，用于根据所述分类结果以及所述语义解析结果查找相匹配的查询语句模板，根据所述查询语句模板得到问题查询语句；
结果反馈模块，用于利用所述问题查询语句查询数据库内容，得到问答解析结果并反馈给查询终端。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的问题解析方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的问题解析方法。
CN202011305368.0A 2020-11-19 2020-11-19 问题解析方法、装置、电子设备及存储介质 Pending CN112380343A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011305368.0A CN112380343A (zh) 2020-11-19 2020-11-19 问题解析方法、装置、电子设备及存储介质
PCT/CN2021/083188 WO2021208703A1 (zh) 2020-11-19 2021-03-26 问题解析方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011305368.0A CN112380343A (zh) 2020-11-19 2020-11-19 问题解析方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112380343A true CN112380343A (zh) 2021-02-19

Family

ID=74584404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011305368.0A Pending CN112380343A (zh) 2020-11-19 2020-11-19 问题解析方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN112380343A (zh)
WO (1) WO2021208703A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021208703A1 (zh) * 2020-11-19 2021-10-21 平安科技（深圳）有限公司 问题解析方法、装置、电子设备及存储介质
CN117591547A (zh) * 2024-01-18 2024-02-23 中昊芯英(杭州)科技有限公司 数据库的查询方法、装置、终端设备以及存储介质

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114299955B (zh) * 2021-11-12 2022-09-23 北京百度网讯科技有限公司 语音交互的方法、装置、电子设备及存储介质
CN116414878A (zh) * 2021-12-29 2023-07-11 中兴通讯股份有限公司 基于知识图谱的数据查询方法、系统、设备及存储介质
CN114420102B (zh) * 2022-01-04 2022-10-14 广州小鹏汽车科技有限公司 语音断句方法、装置、电子设备及存储介质
CN115270801B (zh) * 2022-09-28 2022-12-30 浙江太美医疗科技股份有限公司 文本信息抽取模型的训练方法、文本信息抽取方法和应用
CN115587175B (zh) * 2022-12-08 2023-03-14 阿里巴巴达摩院(杭州)科技有限公司 人机对话及预训练语言模型训练方法、系统及电子设备
CN117273151B (zh) * 2023-11-21 2024-03-15 杭州海康威视数字技术股份有限公司 基于大语言模型的科学仪器使用分析方法、装置及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9176952B2 (en) * 2008-09-25 2015-11-03 Microsoft Technology Licensing, Llc Computerized statistical machine translation with phrasal decoder
CN105930452A (zh) * 2016-04-21 2016-09-07 北京紫平方信息技术股份有限公司 一种识别自然语言的智能应答方法
CN111858877A (zh) * 2020-06-17 2020-10-30 平安科技（深圳）有限公司 多类型问题智能问答方法、系统、设备及可读存储介质
CN112380343A (zh) * 2020-11-19 2021-02-19 平安科技（深圳）有限公司 问题解析方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021208703A1 (zh) * 2020-11-19 2021-10-21 平安科技（深圳）有限公司 问题解析方法、装置、电子设备及存储介质
CN117591547A (zh) * 2024-01-18 2024-02-23 中昊芯英(杭州)科技有限公司 数据库的查询方法、装置、终端设备以及存储介质

Also Published As

Publication number Publication date
WO2021208703A1 (zh) 2021-10-21

Similar Documents

Publication Publication Date Title
CN112380343A (zh) 问题解析方法、装置、电子设备及存储介质
WO2022134759A1 (zh) 关键词生成方法、装置、电子设备及计算机存储介质
CN113378970B (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN113157927B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN113312461A (zh) 基于自然语言处理的智能问答方法、装置、设备及介质
CN112559687A (zh) 问题识别及查询方法、装置、电子设备及存储介质
CN113704429A (zh) 基于半监督学习的意图识别方法、装置、设备及介质
CN113051356A (zh) 开放关系抽取方法、装置、电子设备及存储介质
CN113268615A (zh) 资源标签生成方法、装置、电子设备及存储介质
CN111753089A (zh) 话题聚类方法、装置、电子设备及存储介质
CN112507663A (zh) 基于文本的判断题生成方法、装置、电子设备及存储介质
CN112528013A (zh) 文本摘要提取方法、装置、电子设备及存储介质
CN113821622A (zh) 基于人工智能的答案检索方法、装置、电子设备及介质
CN113658002B (zh) 基于决策树的交易结果生成方法、装置、电子设备及介质
CN114880449A (zh) 智能问答的答复生成方法、装置、电子设备及存储介质
CN113869456A (zh) 采样监测方法、装置、电子设备及存储介质
CN112801222A (zh) 基于二分类模型的多分类方法、装置、电子设备及介质
CN112632264A (zh) 智能问答方法、装置、电子设备及存储介质
CN115146064A (zh) 意图识别模型优化方法、装置、设备及存储介质
CN114943306A (zh) 意图分类方法、装置、设备及存储介质
WO2022142019A1 (zh) 基于智能机器人的问题分发方法、装置、电子设备及存储介质
CN115221323A (zh) 基于意图识别模型的冷启动处理方法、装置、设备及介质
CN113434650B (zh) 问答对扩展方法、装置、电子设备及可读存储介质
CN113486266B (zh) 页面标签添加方法、装置、设备及存储介质
CN113361274B (zh) 基于标签向量的意图识别方法、装置、电子设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40041468

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination